传感器数据如何强化机器 人中的 AI.docx

传感器数据如何强化机器人中的AI

下一代机器人依赖于传感器数据与在边缘

处理的AI的融合

MatthieuChevrier

德州仪器(TI)全球工业系统，系统和应用经理

PAGE2传感器数据如何强化机器人中的

PAGE2

传感器数据如何强化机器人中的AI

2020年1月

从传统工业机器人系统到当今最新协作型机器人（或“cobot”），各种机器人都依赖于能够生成数量日益庞大、种类纷繁多样的数据的传感器.

这些数据可以帮助构建更好的机器学习(ML)和人工智能(AI)模型，机器人可以依靠这些模型来实现自主性，从而做出实时决策并在动态的现实环境中导航。

VISIONHEARINGVIBRATIONTEMPERATURE/

VISION

HEARING

VIBRATION

TEMPERATURE/HUMIDITY

PROXIMITY/TOUCH

许多好处无法实现。具有自主能力的机器人能够让人类与机器人安全、高效地共存。

机器人应用中的传感和智能感知非常重要，因为机器人系统（尤其是ML/AI系统）的有效性能在很大程度上取决于向这些系统提供关键数据的传感器的性能。如今，各种越来越精密和精确的传感器，再加上能够将所有这些传感器数据融合在一起的系统，使得机器人拥有越来越出色的感知和意识。

AI的发展

一段时间以来，机器人自动化一直是制造业中的一项革命性技术，但是在未来几年中，将AI集成到机器人中有望改变整个行业。Marketsand

Markets的调研表明，机器人自动化技术市场在2016年的体量约为2.7亿美元，到2023年将增至将近49亿美元。

咨询公司埃森哲高绩效研究所研究了AI对12个发达经济体的影响。它们的调研表明，到2035年，AI的

图1.机器人的不同感官.

年度经济增长率会翻一番，将劳动生产效率提高40%之多，还会在人类与机器之间产生一种新的混合关系并导致工作性质发生改变，因此会推动创意和创新并增加与AI驱动型机器人的协作。

本白皮书将探讨目前的机器人、自动化和一些最重要技术的主要趋势，这些技术会将AI与所需的数据联系起来以实现智能化。本白皮书还将说明AI系统如何使用（并融合）德州仪器(TI)传感器以及TI如何提供广泛的传感器和数据处理组件产品系列，以涵盖机器人的整个AI系统信号链。

将机器人的AI处理推向边缘

ML包含两个主要部分：训练和推理，两者可以在完全不同的处理平台上执行。训练部分通常在桌面平台或云中离线进行，需要将大量数据集馈送到神经网络中。实时性能或功耗在该阶段不会有问题。训练阶段的成果是经过训练的AI系统，该系统在部署后可以执行特定任务，例如检查装配线上的瓶子、对房间内的人进行计数和跟踪或确定票据是否是伪造的。

然而，为使AI在各行各业发挥应有的作用，在推理期间（执行经过训练的ML算法的过程）必须能够（近乎）实时地融合传感器数据。

因此，设计人员需要将ML和深度学习模型放在边缘，从而将推理部署到嵌入式系统中。

例如，构建一个协作机器人，以便与人类紧密协作。该机器人依靠来自接近传感器和视觉传感器的数据来确保成功保护人类免受伤害，同时支持人类从事对人类而言具有挑战性的活动。所有这些数据都需要实时处理，但云计算速度不足以支持该机器人所需的实时低延迟响应

。为了突破这一瓶颈，当今的先进AI系统被推到了边缘，对于机器人来说，这意味着必须具备板载处理能力。

去中心化的AI模型

这种去中心化的AI模型依赖于具有以下特性的高度集成式处理器：

丰富的外设，用于连接各种传感器。

高性能处理能力，可以运行机器视觉算法。

一种加速深度学习推理的方法。

为了存在于边缘，所有这些功能还必须具有高效率、相对较低的功耗和较小的尺寸。

随着ML越来越流行，功耗和大小经过优化的“推理引擎”也越来越多。

这些引擎是专门用于执行ML推理的专用硬件产品。

集成式片上系统(SoC)通常是嵌入式领域中一个不错的选择，因为除了容纳能够执行深度学习推理的各种处理元件外，

SoC还集成了许多用于整个嵌入式应用的必要组件。一些集成式SoC包括显示、图形、视频加速和工业联网功能，使得单芯片解决方案的功能不仅限于运行ML/AI。

Sitara?AM57x处理器是在边缘运行AI的处理器的典范。这些处理器具有用于连接多个传感器（例如视频、飞行时间(ToF)、激光雷达(LIDAR)和毫米波(mmWave)传感器）的多个高速外设，还包括以C66x数字

信号处理器内核和嵌入式视觉引擎子系统